Introducción - Archivo Digital UPM - Archivo Digital UPM
Transcript of Introducción - Archivo Digital UPM - Archivo Digital UPM
Imágenes Pléiades y tecnología LIDAR para la prevención de riesgos naturales en el Valle de Sula, Honduras
Francisco Javier Luque, Enrique Pérez‐Martín, Alfonso Gómez Molina, Jorge Delgado García y Juan Luis Martín Romero
Resumen
El avance tecnológico en los sensores ópticos de muy alta resolución (VHR) equipados en vehículos espaciales ha generado una alta capacidad de captura de información 3D a partir de las imágenes obtenidas por los mismos. La gestión de la información 3D ha aumentado en distintas áreas, como urbanismo, planeamiento, evaluación de riesgos, geovisualización 3D, etc. Este artículo describe un enfoque que combina e integra distintas tecnologías como imágenes de satélite Pleiades, fotogrametría, y LiDAR para la generación de cartografía base para la gestión territorial y el análisis de riesgos naturales. El objetivo del estudio es demostrar la capacidad de integración del sistema satelital Pleiades junto con sistemas aerotransportados (fotogramétricos y LiDAR) para realizar modelos 3D que ayuden a tomar decisiones en la prevención de riesgos naturales y la gestión del territorio Pleiades es una constelación de dos satélites con alta resolución espacial que proporciona imágenes para uso civil y que tiene una alta capacidad de revisita temporal. Pleiades presenta la posibilidad de obtención pares estereoscópicos y la derivación de modelos digitales del terreno por correlación. Los productos obtenidos a partir de imágenes Pleiades pueden ser integrados con otros procedentes de imágenes aéreas fotogramétrica y LiDAR. La utilización de imágenes VHR del sensor Pleiades son adecuadas en la generación de modelos 3D y una gran fuente de información debido a la alta resolución temporal del sensor. Por esta cualidad el sensor Pleiades es una fuente de información complementaria a los sensores aéreos fotogramétricos y LiDAR, resultado adecuado su uso en la prevención y valoración de riesgos naturales. Keywords: Pleiades, Lidar, Very High Resolution, DSM, natural hazards.
1 IntroducciónEn las últimas dos décadas el número de desastres relacionados con el clima se ha multiplicado mundialmente tanto en su frecuencia como en su intensidad. Para reducir las pérdidas por desastres, se deben aplicar más esfuerzos a la gestión del riesgo de desastres, con un enfoque en la componente espacial de la evaluación del peligro, la cartografía de los elementos en riesgo, y la evaluación de la vulnerabilidad y el riesgo (Geiss & Taubenbock, 2013) (Van Westen & Shroder, 2013). El inevitable e imparable avance tecnológico a lo largo de estos últimos años ha provocado la aparición y el continuo perfeccionamiento de los sensores embarcados en plataformas espaciales. La posibilidad de adquirir, en un tiempo muy corto, imágenes satelitales actuales de alta y muy alta resolución de una zona sometida a un potencial riesgo natural se ha convertido en una herramienta útil para la gestión de emergencias y para la estimación de posibles daños (Bitelli & Gusella, 2008). La utilización de la teledetección, herramientas geoespaciales y modelos big data permiten un mayor conocimiento del territorio, predecir cuándo pueden
ocurrir los peligros y el impacto que pueden tener en el medio ambiente natural y construido (Paylor, et al., 2005).
La Carta Internacional “Espacio y Grandes Desastres” (International Charter Space and Major Disasters), tiene como objetivo colaborar a nivel mundial con datos satelitales, en situaciones de catástrofes, para ayudar a las autoridades de gestión de desastres en la fase de respuesta de una emergencia. Los satélites Pleiades han comenzado a contribuir a la Carta a mediados de 2012 y actualmente están en pleno funcionamiento (Proy, Tinel, Fontannaz, & Ieee, 2013). Según el informe “The Human cost of weather related disasters, 1995‐2015”, elaborado por la Oficina de las Naciones Unidas para la Reducción del Riesgo de Desastres (UNISDR) y el Centro con sede en Bélgica para la Investigación sobre la Epidemiología de los Desastres (CRED), Honduras se encuentra entre los cinco países que más daño económico registran debido a desastres naturales. El impacto de las perdidas en el PIB de Honduras debido a desastres naturales por fenómenos hidrometeorológicos es del 6.2 % (UNISDR, 2015). A partir de la Convención Marco de Naciones Unidas sobre Cambio Climático de 2015 en Paris, Honduras se ha unido con la Asociación Independiente de Latinoamérica y el Caribe (AILAC), con el objetivo de compromiso nacional y global de acción climática. El presente artículo se encuadra en la ejecución del Proyecto Gestión de Riesgos de Desastres ‐ PGRD (CRÉDITO AIF No. 5190‐HN), englobado en la Comisión Permanente de Contingencias (COPECO). Está línea de actuación prioriza acciones encaminadas a la prevención y protección de la población y sus bienes ante las catástrofes – eventos naturales, así como la optimización de recursos humanos – económicos, para la reducción del impacto de los eventos naturales.
1.1 ÁreadeestudioEl área de estudio se localiza en el Valle de Sula, al oeste de Honduras. Con unas coordenadas 15°31'52.75"N y 87°49'28.81"W, se trata del valle aluvial más grande Honduras, en el Caribe centroamericano (fig. 1). El rango de alturas es desde el nivel del mar (desembocadura del río Ulúa) hasta los 2.777 m. (Monte Santa Bárbara). El área de estudio contiene grandes núcleos urbanos de población pero sobre todo amplias zonas de vegetación natural. El número de personas del área de estudio supera los 2 millones.
Fig. 1. Localización de la zona de estudio y principales cursos de agua que la recorren. Fuente: Elaboración propia
La región de Valle de Sula resulta de gran importancia para Honduras ya que la alta calidad de sus suelos ha favorecido el desarrollo agrícola de la misma, convirtiendo a esta zona en uno de los motores económicos del país. Más del 50% del PIB del país tiene su origen en esta región, cuyos productos suponen aproximadamente el 40% de las exportaciones hondureñas.
En cuanto a los ríos que recorren la zona de estudio, poseen gran caudal y durante fenómenos hidrometeorológicos (ciclones o lluvias torrenciales) tienen una tendencia a crecer de forma desmedida. Ésta característica provoca desastres naturales y bastantes daños a zonas vulnerables como poblaciones y ciudades aledañas.
2 MetodologíaLa metodología seguida en la generación del DEM y la ortoimagen involucra distintas fuentes de información y la realización de los ajustes necesarios para la adecuada coherencia entre las mismas. El esquema conceptual básico se muestra en la figura 2.
Fig. 2: Metodología seguida en el estudio
Dado que participan diversas fuentes de información es necesario realizar una adecuada
georreferenciación de la información de nueva captura y comprobar la correcta
georreferenciación de la información existente. Una vez se dispone de los datos adecuadamente
georreferenciados, se pasa a la obtención de los productos parciales procedentes de cada fuente
de información para en un último paso, ajustar todos los datos en conjunto logrando la
continuidad de los productos objetivo finales, ortoimagen y modelo digital del terreno.
A continuación pasan a describirse de forma más detalladas las diferentes etapas del proyecto.
2.1 Establecimientoreddeapoyo.La configuración previa de la red de enlace se apoyó en las tres bases permanentes de la Red Geodésica Activa de Honduras, la determinación de las alturas se realizó utilizando el EGM2008 corregido para la zona de estudio.
Tabla 1. Coordenadas de la red de apoyo en el sistema de referencia WGS84. Red Geodésica Activa. Marco de referencia geodésico de Honduras.
Est Geográficas UTM
Altura E(m) Altura O(m) Lat. Lon. Este Norte
TEG2 14 05 24.26526N 87 12 20.32023W 477800.925 1557697.744 951.324 945.960
ROA0 16 19 05.35215N 86 31 36.62675W 550543.654 1804186.891 10.034 12.738
UNAG 14 49 41.26498N 85 50 45.21384W 624181.047 1639636.567 359.177 355.300
Se crearon cinco subredes a partir de la base TRS (San Pedro Sula), desde las cuales, a través de GPS RTK se establecieron una serie de puntos de control sobre la zona de estudio para su posterior utilización en la orientación de las imágenes satelitales y el control altimétrico de los modelos digitales (figura 3). Se tuvo en cuenta tanto la distribución de los puntos sobre la zona como su accesibilidad. La campaña de observación de puntos de control se realizó en invierno del 2014.
Fig. 3. Puntos de control observados mediante técnicas GPS RTK para la posterior orientación de imágenes Pleiades y control de calidad de la información de archivo. Fuente: Elaboración propia
2.2 ControldecalidadydepuracióndedatosdearchivoEl área con DEM y ortoimagen existente aparece recogida en la siguiente figura 4.
Fig. 4. Área con datos de archivo existentes (amarillo) frente a área de nueva adquisición (satélite). Fuente: Elaboración propia
Se realizaron tareas de depuración del MDE existente. Estas tareas consisten en una revisión de
los modelos existentes mediante inspección visual ara corregir aquellas áreas que se considera
que requieren ser editadas para representar de forma más adecuada la realidad del terreno.
Lo primero que se realizó es la integración de los modelos digitales existentes tanto del vuelo
alto a 30 cm como del vuelo bajo a 10 cm para generar un único MDT continuo aprovechando
en cada zona los datos de mayor resolución existente.
2.3 Generacióndedatosenlaszonassinimágenesdearchivo2.3.1 SensorPleiades.Se valoraron varios sensores satelitales para la prevención de riesgos naturales. Estudios comparativos de evaluación de las propiedades radiométricas de las imágenes y la precisión geométrica entre distintos sensores (Poli, Remondino, Angiuli, & Agugiaro, 2013), muestran mejores resultados en cuanto al DSM en imágenes captadas por el sensor Pleiades. Debido a las características climáticas de la zona de estudio se decidió adquirir imágenes de Pleiades. Zona con mucha vegetación, alto porcentaje de cubrimiento por nubes, etc….
Las imágenes del sensor Pleiades‐1A y Pleiades‐1B han sido capturadas en modo estereoscópico, junto con algunas escenas individuales, con una resolución espacial de 0.50 m., captura nadiral y escenas de 20 km. de ancho. Se han adquirido escenas de varias zonas: Quimistán y Petoa (8 escenas), El Progreso, El negrito, Morazán y Santa Rita (27 escenas) y de Las Vegas (3 escenas).
2.3.2 OrientacióndelasimágenessatéliteEl proceso de orientación de las imágenes satelitales Pléiades se realizó mediante técnicas de
aerotriangulación tomando como información de partida los datos RPC proporcionados por el
suministrador de las imágenes.
La aerotriangulación de las imágenes satelitales fue llevaba a cabo con el software Match‐AT de
Inpho, con su módulo específico para la orientación de imágenes de satélite.
2.3.3 GeneracióndelDEMEl modelo digital del terreno correspondiente a las imágenes de satélite se obtuvo mediante
correlación automática teniendo en cuenta todas las escenas satélite georreferenciadas de
forma precisa. Para llevar a cabo esta fase del trabajo se usó el software de correlación Match‐
T de Inpho.
Una vez realizada la correlación esta fue revisada y depurada mediante revisión estereoscópica,
reduciendo al suelo las zonas de correlación que no se ajustaban al mismo por la presencia de
vegetación en las imágenes. La tolerancia para el error altimétrico para el modelo digital
obtenido en esta fase es de 5 m.
2.3.4 GeneracióndelaortoimagensatéliteEl proceso de generación de las ortoimágenes satelitales es similar al seguido para la obtención
de una ortoimagen partir de una fotografía aérea.
Tomado como datos de entrada las imágenes con sus parámetros de orientación precisa y el
modelo digital del terreno se procede a realizar la ortorrectificación diferencial empleando el
programa OrthoMaster de Inpho. Mediante este paso se obtiene una ortoimagen para cada
escena que compone el bloque de trabajo del área de interés.
2.4 GeneracióndemodelosdigitalesLiDARPara el área de mayor sensibilidad a los riesgos de inundaciones de obtuvo un modelo digital del
terreno mediante el empleo de tecnología LiDAR con una resolución final de los modelos de 1
m.
2.4.1 EquipodetrabajoInicialmente se movilizó una aeronave Beechcraft King Air 200 (B200) con el sensor LiDAR ALS50
(Phase II) para operar según la planificación indicada anteriormente. Debido a necesidad de
mantenimiento de la aeronave y las condiciones meteorológicas de la zona, dicha aeronave fue
sustituida por una CESSNA 401, que al poder operar a menor altura permitió evitar en mayor
medida la presencia habitual de nubosidad a una altura de entre 700 y 750 sobre el terreno que
estaba dilatando en gran medida la operación de vuelo.
2.4.2 PlanificaciónyejecucióndelvueloLiDARLa planificación inicial de vuelo se realizó a una altura de 1500 m sobre el terreno con pasadas
siguiendo el sentido longitudinal del área de trabajo para garantizar una cobertura de al menos
1 pto/m2. Posteriormente se tuvo que realizar una planificación alternativa a una altura de 700
m sobre el terreno debido a la presencia habitual de nubosidad en dicha zona alcanzando
densidades entre los 2 y 3 ptos/m2.
La ejecución final fue una combinación de ambos vuelos en función de la cobertura nubosa
existente durante la realización del vuelo. El vuelo LiDAR fue ejecutado entre el 21 de mayo y el
10 de agosto de 2015. Del 21 de mayo al 7 de julio se operó con la B200, siendo reemplazada
esta por la CESSNA 401 hasta el final de los trabajos de captura de datos.
2.4.3 GeneracióndelosmodelosdigitalesLos datos LiDAR son clasificados inicialmente mediante algoritmos matemáticos automatizados
que permiten tener una primera categorización de los puntos de la nube LiDAR. Los parámetros
de configuración de estos algoritmos son establecidos en función de las características de la zona
de trabajo para obtener unos resultados óptimos (figura 5).
A partir de la indicada nube de puntos LiDAR una vez ha sido depurada y tomando en cuenta
sólo aquellos que sean necesarios para cada tipología de Modelo Digital se lleva a cabo la
obtención del mismo mediante un proceso de interpolación del conjunto irregular de puntos
para obtener la malla regular requerida. La interpolación se realiza tanto a 5 m para ofrecer un
MDE de la Región #1 actualizado, como a 1 m para ofrecer un MDE de más detalle de las zonas
donde se han capturado datos LiDAR.
Fig. 5. DEM derivado de datos LiDAR de la zona de llanua. Fuente: Elaboración propia
2.5 Fusióndelainformación2.5.1 FusióndemodelosdigitalesDado que la superficie de datos LiDAR abarca un área importante donde también existen datos
de archivo se ha procedió a actualizar el MDE de la Región 1 en toda la zona en la que existen
dichos datos LiDAR. Este procedimiendo ha sido llevado descartando los datos existentes
anteriormente y empleando los datos LiDAR para generar la malla de 5 m nueva.
2.5.2 FusióndeortoimágenesLa fusión de las ortoimágenes consistió en la unificación radiométrica y geométrica de las
imágenes de satélite obtenidas y las ortoimágenes de archivo procendentes de vuelo
fotogramétrico.
Para lograr este objetivo se realizó un mosaico nuevo incluyendo las ortoimágenes de ambas
fuentes y realizando a su vez un nuevo ajuste radiométrico global para dotar de continuidad
radiométrica al conjunto.
3 ConclusionesEn la ejecución de este proyecto se han combinado diversas técnicas de vanguardia para la
captura de información geográfica, en función de las necesidades de precisión y resolución
requeridas para las distintas zonas de interés del proyecto. Además, se ha reutilizado
información existente de la zona con el objetivo de economizar el proyecto permitiendo
optimizar recursos económicos invertidos anteriormente y reducir la inversión actual necesaria
para la ejecución del proyecto.
La combinación de datos procedentes de diferentes fuentes ha supuesto la integración de:
Modelos digitales y ortoimágenes existentes de diferentes resoluciones procedentes
vuelo fotogramétricos realizados con cámaras fotogramétricas digitales.
Imágenes satelitales de alta resolución espacial formando pares estereoscópicos
MDE generado por correlación de los pares estereoscópicos satelitales
Ortoimagenes de alta resolución espacial obtenidas a partir de las imágenes satelitales
Datos LiDAR de alta resolución para la obtención de modelos digitales de detalle de las
zonas más sensibles a los riesgos de inundación
Datos batimétricos existentes de secciones topográficas levantadas en campo en los
cauces de interés
La integración de todas estas fuentes de información ha permitido obtener:
Un MDE de toda la Región 1 – Valle de Sula de a resolución de 5 m que permite realizar
análisis y valoraciones a nivel global de la región. Esto permite que los análisis que se
lleven a cabo análisis globales a nivel general para identificar áreas potenciales donde
sean requeridos estudios de mayor nivel de detalle.
Una ortoimagen de toda la Región 1 – Valle de Sula que permite apoyar con información
visual los estudios que se realicen a nivel global y de detalle de la región.
Un MDE de detalle a 1 m de resolución con datos LiDAR de un área extensa, relativa a
los canales hidráulicos de los ríos Chamelecón, Ulúa, Blanco y Humuya, que cubre la
mayor parte de la llanura inundable de la Región 1 ‐ Valle de Sula que puede ser utilizado
para estudios de detalle en puntos específicos de especial interés por su valor
económico, vulnerabilidad, importancia estructural o cualquier otro factor que se
considere relevante.
Bibliografía
Berthier, E., Vincent, C., Magnusson, E., Gunnlaugsson, A. T., Pitte, P., Le Meur, E., et al. (2014). Glacier topography and elevation changes derived from Pleiades sub‐meter stereo images. Cryosphere, 8(6), 2275‐2291.
Bitelli, G., & Gusella, L. (2008). Remote sensing satellite imagery and risk management: image based information extraction. [Proceedings Paper]. Risk Analysis Vi: Simulation and Hazard Mitigation, 149‐158.
Blaikie, P., Cannon, T., Davis, I., & Wisner, B. (2014). At risk: natural hazards, people's vulnerability and disasters: Routledge.
Cutter, S. L., Barnes, L., Berry, M., Burton, C., Evans, E., Tate, E., et al. (2008). A place‐based model for understanding community resilience to natural disasters. Local evidence on vulnerabilities and adaptations to global environmental change, 18(4), 598‐606.
Deleage, J. P. (2005). Political ecology of a disaster ‐ Honduras after Hurricane Mitch. [Book Review]. Quinzaine Litteraire(907), 23‐23.
Geiss, C., & Taubenbock, H. (2013). Remote sensing contributing to assess earthquake risk: from a literature review towards a roadmap. [Review]. Natural Hazards, 68(1), 7‐48.
Kreft, S., Eckstein, D., Junghans, L., Kerestan, C., & Hagen, U. (2014). Global Climate Risk Index 2015.
Nasir, S., Iqbal, I. A., Ali, Z., & Shahzad, A. (2015). Accuracy assessment of digital elevation model generated from Pleiades tri stereo‐pair. 2015 7th International Conference on Recent Advances in Space Technologies (RAST). Proceedings, 193‐197.
Paylor, E. D., Evans, D. L., & Tralli, D. M. (2005). Theme issue: Remote sensing natural hazards and geospatial information for characterization. Isprs Journal of Photogrammetry and Remote Sensing, 59(4), 181‐184.
Poli, D., Remondino, F., Angiuli, E., & Agugiaro, G. (2013). EVALUATION OF PLEIADES‐1A TRIPLET ON TRENTO TESTFIELD. Isprs Hannover Workshop 2013, 40‐1(W‐1), 287‐292.
Proy, C., Tinel, C., Fontannaz, D., & Ieee. (2013). PLEIADES IN THE CONTEXT OF THE INTERNATIONAL CHARTER "SPACE AND MAJOR DISASTERS". [Proceedings Paper]. 2013 Ieee International Geoscience and Remote Sensing Symposium (Igarss), 4530‐4533.
Smith, K. (2013). Environmental hazards: assessing risk and reducing disaster: Routledge. Stansbury, J. P. (2007). Recovering from Hurricane Mitch: Household and place in predicting
Honduran child nutritional status. [Article]. Ecology of Food and Nutrition, 46(5‐6), 401‐426.
UNISDR. (2015). The Human cost of weather related disasters, 1995‐2015. UN Office for Disaster Risk Reduction (UNISDR). http://www.unisdr.org/archive/46793
Van Westen, C. J., & Shroder, J. F. (2013). 3.10 Remote Sensing and GIS for Natural Hazards Assessment and Disaster Risk Management (pp. 259‐298). San Diego: Academic Press.
Vanselow, K. A., Kolb, M., & Fickert, T. (2007). Destruction and regeneration of terrestrial, littoral and marine ecosystems on the Island of Guanaja/Honduras seven years after Hurricane Mitch. [Article]. Erdkunde, 61(4), 358‐371.
Welle, T., & Birkmann, J. (2015). The World Risk Index – An Approach to Assess Risk and Vulnerability on a Global Scale. Journal of Extreme Events, 02(01), 1550003.
http://www.ngs.noaa.gov/CORS/#
http://www.sirgas.org/fileadmin/docs/Boletines/Bol16/Meza_Red_geodesica_Honduras.pdf
http://faces.unah.edu.hn/dctig/sitios/redgeo/files/MEMORIA.pdf
http://copeco.gob.hn/web/guest/home
http://www.ngs.noaa.gov/CORS_Map/